随着IP网络技术的不断发展,IP网络从单一传送数据的网络向可传送数据、语音、图像等多媒体的网络转变。与此同时,用户对于网络服务质量(QoS, Quality of Service)的要求也越来越高,为了保证端到端的QoS,满足用户需求,需要提高对QoS的预测与优化水平。当网络中某种业务的QoS没有满足用户需求时,IP网络需要能够根据QoS参数的预测结果和用户需求,采取一定的策略和方法提高网络的QoS。本文主要研究了IP网络的QoS参数预测和优化方案框架以及实现方法,该框架主要包括网络信息采集模块、QoS参数预测模块、用户需求提取模块、数据库模块、案例推理机模块和QoS优化执行模块6个模块。论文对QoS参数预测模块和案例推理机模块进行深入研究。在QoS参数预测模块,鉴于RBF神经网络在预测中具有结构自适应确定、输出与初始权值无关以及学习过程收敛速度快、训练时间短、精度高等优势,提出了一种基于RBF神经网络的QoS参数预测方法,对RBF神经网络进行训练,并利用K-means聚类算法和最小二乘法得到基函数参数和网络权值并最终实现对QoS的预测,仿真实验选取某个业务的一组QoS历史数据来预测其未来时间的QoS,实验结果证明预测结果和实际结果具有较高的拟合度。在案例推理机模块,提出了一种基于案例推理技术(CBR, Case-based reasoning)的IP网络QoS优化方案生成方法。该方法结合QoS参数预测的结果和用户QoS的具体业务需求生成目标案例,然后通过案例检索寻找到最优匹配案例并得到其解决方案,此外还要综合案例修正和案例学习等方法来解决不同情况下的QoS优化问题。最后,仿真实验搭建了一个利用重路由方案对QoS进行优化的场景,验证了该优化方案的可行性。